13-11-2023

1 Inspección de los datos

1.1 Obtención de los datos

1.2 Previsualización del fichero principal

La información está almacenada en el fichero en filas de longitud fija.

Interpretamos la información con el fichero de metadatos.

2 Preprocesado

2.1 Comprobación de longitud y separación en variables

  • Comprobar la longitud de las entradas crudas.

  • Separar por variables.

2.2 Obtención de los diccionarios

A continuación, extraemos de los ficheros adicionales la información necesaria para interpretar los códigos de los datos crudos. Generamos dos variables:

  • dict_list: resumen de metadatos de los diccionarios.

$T_MUNI
$T_MUNI$sheet
[1] "Anexo - Lista de países"

$T_MUNI$vars
[1] "MUNINAC"  "MUNIALTA" "MUNIBAJA"

$T_MUNI$is_obs
[1] TRUE

  • dict_info: diccionario completo con todos los códigos y descripciones.

2.3 Aplicación de diccionarios y cambio de clase

  • Aplicamos los diccionarios y convertimos las variables para al formato adecuado, indicado en los metadatos. Figuran dos tipos: N (numérico) -> numeric y A (alfanumérico) -> factor.

  • Creamos nuevas variables categóricas: COMUBAJA, COMUALTA, COMUNAC.

  • Analizamos los NAs introducidos:

3 Análisis estadístico

3.1 Resumen del dataset

En primer lugar, realizamos un summary() para obtener la información esencial de cada variable.

Seguidamente, observamos el tipo de cada variable para confirmar que estén en el formato adecuado empleando la función str().

'data.frame':   5 obs. of  19 variables:
 $ SEXO    : Factor w/ 2 levels "Hombre","Mujer": 2 1 1 1 2
 $ PROVNAC : Factor w/ 53 levels "Araba/Álava",..: 8 8 28 53 53
 $ MUNINAC : Factor w/ 8316 levels "Albania","Austria",..: 1147 1087 4569 136 131
 $ EDAD    : num  26 47 21 19 36
 $ MESNAC  : num  9 2 5 4 8
 $ ANONAC  : num  1994 1974 2000 2002 1985
 $ CNAC    : Factor w/ 202 levels "Albania","Austria",..: 7 7 7 7 131
 $ PROVALTA: Factor w/ 53 levels "Araba/Álava",..: 8 43 33 31 18
 $ MUNIALTA: Factor w/ 8316 levels "Albania","Austria",..: 1143 NA 5254 5027 3000
 $ MESVAR  : num  1 7 7 8 12
 $ ANOVAR  : num  2021 2021 2021 2021 2021
 $ PROVBAJA: Factor w/ 53 levels "Araba/Álava",..: 4 43 28 53 53
 $ MUNIBAJA: Factor w/ 8316 levels "Albania","Austria",..: NA 6595 4569 136 131
 $ TAMUALTA: Factor w/ 6 levels "Municipio no capital hasta 10.000 habitantes",..: 4 1 2 6 4
 $ TAMUBAJA: Factor w/ 6 levels "Municipio no capital hasta 10.000 habitantes",..: 1 3 6 NA NA
 $ TAMUNACI: Factor w/ 6 levels "Municipio no capital hasta 10.000 habitantes",..: 3 6 6 NA NA
 $ COMUBAJA: Factor w/ 20 levels "Andalucía","Aragón",..: 1 9 13 20 20
 $ COMUALTA: Factor w/ 20 levels "Andalucía","Aragón",..: 9 9 3 15 1
 $ COMUNAC : Factor w/ 20 levels "Andalucía","Aragón",..: 9 9 13 20 20

Eliminamos las siguientes variables de nuestro conjunto de datos: MESNAC, ANOVAR, MESVAR.

3.2 Datos faltantes

En los resúmenes mostrados podemos observamos que las variables de municipio y tamaño contienen numerosos valores faltantes. Además, en algunas de las variables categóricas, aparecen niveles cuyo significado es equivalente a un dato faltante de cara al análisis: “No Consta”, “Other”, “Baja por Caducidad”.

3.3 Análisis Univariante: Numéricas

3.4 Aproximación normal

3.5 Movimiento entre comunidades

3.6 Análisis bivariante: Numérica - Numérica

La variable ANONAC debería tener una gran correlación con la variable EDAD.

\(EDAD = 2021 - ANONAC\)

3.6.1 Análisis bivariante: Numéricas- Categóricas

    Welch Two Sample t-test

data:  mujeres$EDAD and hombres$EDAD
t = 0.2, df = 3, p-value = 0.9
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -31.6  35.6
sample estimates:
mean of x mean of y 
       31        29 

3.7 Análisis bivariante: Categóricas - Categóricas

Para seguir con el estudio del éxodo rural, podemos representar la relación entre el tamaño de los municipios de alta y de baja en un mosaico. Por limpieza, hemos recodificado las categorías de tamaño de la siguiente manera.

3.8 Análisis bivariante: Categóricas - Categóricas

Para complementar este análisis, transformamos nuestros datos a fin de obtener un data.frame con la siguiente estructura:

  • MUNI: contiene todos los valores únicos de las variables MUNIALTA y MUNIBAJA.

  • TAMU: valor correspondiente de TAMUALTA / TAMUBAJA.

  • isCAPITAL: valor lógico que indica si el municipio es capital.

  • EDAD: media de la edad de los desplazados desde ó hasta cada municipio.

  • MES: moda del mes en el que se producen los movimientos desde ó hasta cada municipio.

  • nBAJAS: número de bajas en cada municipio.

  • nALTAS: número de bajas en cada municipio.

Las variables adicionales nTOTAL y nNETO son la suma y la diferencia de las últimas dos variables listadas.

3.9 Análisis bivariante: Categóricas - Categóricas

3.10 Análisis interactivo: mapas

3.11 Características

Se usa el test Chi-cuadrado. Este test supone una hipótesis de partida \(H_0\) (Son independientes) y dependiendo del resultado del test, se acepta o no:

p<0.05: Rechazamos hipótesis p \(\geq\) 0.05: Aceptamos Ho

Lo aplicamos a las variables COMUALTA y COMUBAJA.

    Pearson's Chi-squared test

data:  tablacontingencia1
X-squared = 1e+07, df = 361, p-value <2e-16

3.12 Análisis de outliers

Realizamos un análisis de la variable numérica EDAD de los outliers.

  • Los métodos percentil (5%-95%), 3-sigma y boxplot asumen que la distribución es gaussiana. 3-sigma es el menos exigente.
  • El método hampel no asume distribución gaussiana.

4 Conclusiones

4.1 Conclusiones

Podemos afirmar que, durante el año 2021 en España, las variaciones residenciales no presentaron ninguna dependencia significativa con la época del año. Por otra parte, sí observamos que la edad es un factor importante en cuanto al cambio de residencia: hay un máximo absoluto en torno a los 35 años, que es coherente con la edad de independización definitiva de muchas familias. También concluimos que esta relación no es independiente del sexo.

La tasa de migración de España con el extranjero durante el año estudiado es positiva y de valor elevado. Sin embargo, este resultado puede estar influido por la amplia cantidad de variaciones de salida codificadas como “Baja por Caducidad”.

Por último, observamos que gran cantidad de las variaciones residenciales se producen entre municipios pequeños, pero no suponen un desplazamiento neto elevado. No obstante, en las ciudades más grandes la tasa neta de variaciones residenciales es mucho más grande, lo cual es un indicio del proceso de centralización actual.

En conclusión, hemos logrado importar, procesar, interpretar y analizar el dataset propuesto. Para ello, hemos hecho uso de numerosas funciones y librerías que nos han permitido realizar este proyecto de manera eficiente y obtener las conclusiones descritas.